Collaborer dans la chaîne logistique : où en sommes-nous?
Bibliographic record
Abstract
Résumé La gestion de la chaîne logistique se matérialise par un partage d’informations et un redéploiement des activités entre les différents maillons qui la composent. Au cours des deux dernières décennies, différentes initiatives sectorielles ont été mises en avant pour bénéficier de la valeur de la chaîne, par exemple dans les industries du vêtement, de la distribution alimentaire et de la santé. Bien qu’elles aient été de puissants outils de sensibilisation à de bonnes pratiques de gestion de la chaîne, ces initiatives ne sont pas toujours parvenues à tisser des partenariats durables entre les organisations. Néanmoins, des entreprises poursuivent individuellement des démarches de collaboration avec des organisations partenaires dans le but de resserrer ces liens. Cette collaboration peut prendre différentes formes qui impliqueront nécessairement un partage de responsabilités. Selon une analyse de trois cas d’entreprises, il s’avère que l’intention stratégique, la présence de conditions facilitatrices et les retombées attendues constituent des facteurs importants à prendre en considération pour soutenir des initiatives de collaboration. En fait, de telles initiatives ne sont pas à la portée de toutes les entreprises. En effet, ces dernières doivent apprendre à collaborer.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.013 | 0.018 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.005 |
| Science and technology studies | 0.007 | 0.009 |
| Scholarly communication | 0.018 | 0.017 |
| Open science | 0.002 | 0.008 |
| Research integrity | 0.004 | 0.004 |
| Insufficient payload (model declined to judge) | 0.026 | 0.006 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".